Få AI til at grave guldet frem blandt dine kunder og leads

Når du skal vurdere hvilke kunder, der er mest attraktive for din virksomhed, kan du benytte dig af forskellige metoder til at segmentere kunder og leads. På den lange bane, er noget af det vigtigste at kigge på CLV – også kaldet Customer Lifetime Value. Navnet siger egentlig sig selv; det er et mål for, hvor meget man kan forvente at tjene på en kunde over hele den tid, kundeengagementet varer. Særligt i forbindelse med hvervning af nye kunder kan det være brugbart at have en fornemmelse af forskellige kunders CLV, da den skal holdes op imod prisen på at hverve kunderne, også kendt som Customer Acquisition Cost (CAC). Visse varianter af CLV medregner endda CAC i ligningen.

Et mål for en kundes CLV kunne f.eks. være følgende:
[Antal køb pr. år] x [Gns. køb i kr.] x [Gns. profitmargin] x 1/[churn rate* pr. år]  = Customer Lifetime Value

*churn rate er den andel af kunderne, der forlader dig inden for et givent tidsrum

Tidligere har det kun været muligt at estimere CLV på eksisterende kunder og derefter inddele dem i segmenter, så man kan målrette sin markedsføring mod de kunder med den højeste gennemsnitlige CLV. Men med brugen af Machine Learning og CDP (Customer Data Platform) har mulighederne for at estimere og forudse fremtidig CLV flyttet sig meget de senere år.

CLV Prædiktion

At udvikle CLV-modeller, der bygger på jævnlige og omfattende analyser af din eksisterende portefølje, er typisk enormt tidskrævende og bygger på mere eller mindre subjektive segmenteringskriterier. I stedet kan man udvikle modeller, der prædikterer fremtidig CLV på individuelt kundeniveau på baggrund af tilgængelige data. Derved får man en mere detaljeret og strømlinet metode, som nemt kan opdateres, når markedet ændrer sig.

I mange år har både den gængse praksis samt akademisk forskning inden for CLV-prædiktion fokuseret på opslag i statistiske fordelinger, som, for at forenkle det lidt, byggede på den traditionelle idé om Pareto-princippet: at 20% af kunderne står for 80% af salget. Det var forholdsvist simpelt at samle data til sådanne modeller, da de kun skulle bruge data om kundens køb ud fra RFM-kriterierne (Recency, Frequency, Monetary value) – men til gengæld krævede det en betydelig købshistorik fra kunderne. De byggede også på en række antagelser om, at kunderne køber produkter efter et fast mønster og med en konstant frekvens, som f.eks. kunder i et supermarked.

Imidlertid har tidens udvikling med mange former for onlinehandel med meget varierende købsmønstre (og i visse tilfælde færre, men mere lukrative, kunder), krævet andre metoder til at vurdere, hvilke kunder der har størst potentiale. Samtidig giver internettet mulighed for selv at indsamle langt mere detaljerede data om kunderne, frem for blot at basere modeller på transaktioner. Her er det, at Machine Learning kommer ind i billedet. Machine Learning-algoritmer finder, via forskellige matematiske metoder, frem til mønstre i data, der kan forklare bestemte variable på baggrund af diverse input (f.eks. transaktioner og demografiske data). I de senere år er prædiktive CLV-modeller baseret på Machine Learning begyndt at outperforme både de simple segmenteringsmodeller og de førnævnte statistiske fordelinger med en betydelig margin.

Forskellige stadier i kunderejsen kræver forskellige løsninger

Eksisterende kunder med flere køb: Disse kan man ofte beregne en ganske præcis CLV på, da de har nok købshistorik til, at deres adfærd danner et tydeligt mønster. Her rækker det ofte at kende kundesegmentets gennemsnitlige churn rate, købsfrekvens og ordrestørrelse.

Nye kunder: Ofte er det interessant at segmentere kunder dét sekund de køber første gang. Men ofte er det svært at vurdere en kunde ud fra ét køb, da man ikke kan vurdere, hvor loyale kunderne vil være, eller hvilke øvrige produkter de vil vælge i fremtiden. Imidlertid kan man ud fra en kundes adresse ofte tilegne sig en del demografisk viden om en kunde, ligesom ML modeller har vist, at viden om kundens første køb ofte vil gøre det betydeligt nemmere at forudse kundens fremtidige adfærd, da man har lignende kunder at holde dem op imod.

Leads: Leads er potentielle kunder som f.eks. har besøgt din hjemmeside og abonneret på et nyhedsbrev eller lignende. Her kan demografisk info (ud fra adresser) eller adfærd på hjemmesiden gøre det muligt at segmentere kunderne efter deres relative potentiale. Naturligvis vil segmenteringen ikke altid ramme plet, men man vil have et godt overblik over sandsynligheden for, at de kan blive til gode kunder og grovsortere de attraktive fra de mindre attraktive.

Machine Learning gør arbejdet for dig

Traditionelt har firmaer ofte benyttet sig af forskellige regler til at segmentere efter CLV, men dette er tidskrævende og kræver oftest en del forudgående dataanalyse for at identificere de attraktive kunder eller leads. Men med Machine Learning er det data selv, der fortæller historien og kommer frem til de mest effektive regler. Algoritmerne skal blot fodres med tilstrækkeligt meget data fra eksisterende kunder, til at de kan identificere mønstrene – ofte er det nok med få hundrede datapunkter.

De har også den fordel, at når først setuppet fungerer, kræver det minimalt vedligehold – modellerne lærer selv på baggrund af dine data. Det er ikke fordi, at Machine Learning er en krystalkugle, der præcist kan forudse fremtiden (dertil kræves i hvert fald meget data). Men hvis man skal prioritere kunder og leads efter potentiale, kan bare dét at dele dem op i grupper, f.eks. rød, gul og grøn (hvor grøn er de mest attraktive) øge effekten af kampagner betydeligt. Ofte er det få kunder, som står for en betydelig del af omsætningen, og hvis blot man øger sandsynligheden for at skabe sådanne ”superkunder” med 30% i en kampagne til flere hundrede modtagere, vil udgifterne hurtigt hente sig selv hjem mange gange.

Vil du høre mere om din virksomheds muligheder med AI og CLV-strategier
så ræk ud til Jeppe Berggreen, CEO
jb@ambition.dk
+45 53 54 55 66